🔥 推特起爆帖监控
搜索和分析大V账号即将起爆的热帖推文。通过SoPilot插件快速评论和互动，抢先一步占领评论区，你将获得更多的曝光。
今天再来重温一下这条价值至少10万美金的推文 我之所以说它值10万美金，是因为它能帮助绝大部分AI创业公司躲避早期的混沌时期 大量的Founder在早期选择用户人群上会出现许多困难 很多人擅长做加法，但极少人会聚焦做减法 如果你有很多人群机会，千万不要觉得自己的产品既能服务A，又可以服务B，还可以服务C 越是早期，越应该专注服务一个人群 至于说ABC里怎么选，答案是：选择专家用户 做AI产品早期一定要从专家用户切入，原因有几个： 1、专家用户对AI的使用有着天然的优势，他们非常擅长发挥AI的边界能力，他们缺少的不是智力，而是工具，这就是AI创业公司早期最大的价值 2、专家用户给AI提供智能语料，每一个session都会为AI带来巨大的启发和行业knowhow，如果你的PM每天研究这些session，你会慢慢有这个行业的方法论，这些东西会强化AI，相比之下，普通用户是要依靠AI来反哺的 3、专家用户一般往往是行业高知，这群人往往天然的有付费意愿和付费能力 4、由于是专家用户，他的时间也很宝贵，所以AI哪怕只帮助他节约半小时，半小时的产值对他们而言也很高 5、当你的AI能服务好专家用户时，你只要把knowhow认真打磨，这个AI就能开始下沉服务普通用户，这就是扩量的条件 我之所以说这条推文价值至少10w美金，是因为任何一个AI公司，在早期都会经过这个岁月，但Founder往往都要依托试错来获得这个宝贵的洞察，少则1-2个月，多则3-6个月 它值不值10万美金？
MiniMax 一段时间没消息之后终于又发新的 LLM 了 开源 MiniMax - M2 模型，专门为 Agent 和 Coding 优化，总参数 229B，激活参数 10B 价格为 Claude Sonnet 的 8%，速度提升约为 2 倍 而且现在在 API 和 MiniMax Agent 上限时免费，也支持在 Claude Code 上通过 API 使用 https://t.co/mtHGutJL7Y
我说 BNB 怎么又涨得这么猛，原来是有利好消息！🤔 销毁代币会导致代币通缩，价格自然机会上涨。 已经是第 33 次季度 BNB 代币销毁了，这次直接销毁了 144 万个 BNB，销毁时价值 12.08 亿美元。 最终目标是将 BNB 的数量降到 1 亿以下，每个季度都会销毁。 销毁方式是将 BNB 打到“黑洞”地址，谁都取不出来： 0x000000000000000000000000000000000000dEaD 除了每个季度的自动销毁外，BNB 还会基于 gas 费按固定比率进行销毁实时销毁。 自 BEP95 上线以来，已经约有 27.6 万枚 BNB 通过该机制被销毁。 所有一切记录都在链上透明可查，这就是区块链存在的意义。 握好你手中的 BNB！👊 这个销毁详情博客写得很详细，学到了不少：👇 https://t.co/jhRCPbpjet
陈丹青说，人生就是一个骗局 最悲哀的就是，一个人真的相信他活得很有价值
做自媒体的门槛是要意识到： 你可以通过文字，来控制其他人 我可以通过修改我的文字，让其他人给我关注、给我点赞、给我评论、给我转发 …… 这是名副其实的「控制」 如果你需要通过在你的文字结尾添加：感兴趣的话欢迎来 xxx 说明你没有通过前面的文字，完成对观众的控制 这叫做「失控」
辛辛苦苦录制了2节大模型基础概念的科普视频，没啥流量，心疼自己 😂
要理解为什么万物收敛到变分原理，我们必须从更底层的结构去看：信息约束 + 对称性保持 + 时间一致性。 1️⃣ 变分原理的数学地位：约束下的不确定性最小化 在任何系统中，我们观测到的量（能量、熵、概率）都受到某些约束条件。 在这样的约束下，系统的自然演化可以被表述为： \delta \mathcal{F} = 0 其中 \mathcal{F} 是一个泛函（函数的函数），它可能是能量、作用量、自由能、或KL散度。 换句话说，变分原理不是物理定律的结果，而是“有定律”这一事实的表达形式： 如果一个系统是可描述的、可预测的，它的行为就必然等价于某个泛函的极值路径。 因为“可预测性” = “存在稳定泛函”。 没有泛函的系统，是纯随机的噪声，不构成“存在”。
一般情况下收到陌生短信我不会回复，可是看到文字，虽然已经断定 100% 是骗子，还是下意识的问了一句 哪怕在国际漫游的情况下，回复这条短信将花费人民币 9 毛 毕竟“人穷脸丑”，确实是我 20 多年前的昵称，那时候游戏里的兄弟会简称为穷人 那是游戏里的网友会帮你冲游戏点卡的时代，也是刷了一个月才出的装备可以拱手让给兄弟的时代 不知道是多少年前的老 QQ 或者游戏中的聊天记录，被骗子所得，并使用 AI 进行了数据挖掘，匹配到了我的手机号，并发出了这条消息 毕竟多年间，我换过几次手机号，要精确匹配，应该是需要通过「游戏 - QQ - 手机号」这个链路的 我并没有添加好友，也没有继续回复，只是盯着那两个字看了很久，当年一起玩游戏的人，有些已经抱孙子了吧，部分已入土，十几年前上线去看的时候，联系人就已经都灰掉了 现在想想,那些账号可能还在，密码也许都忘了，角色应该还站在主城的老地方，背包里的装备在当年是神装，现在连新手村的白板都不如 但骗子的数据库里都有，那些聊天记录、组队记录、甚至是我们半夜刷本时开的语音，可能都被打包卖过好几轮了，最后喂给AI，让它学会怎么用"穷人"这两个字来试探我 我在国外花了9毛钱回了一句"你谁"，大概在某个我不知道的地方，AI判断出我是个有效目标，但紧接着又判断出，这个人价值不高，没有继续跟进的必要 那些数据不会消失，也不会忘记，它们比我的记忆更完整，但也仅此而已了，毕竟数据只是数据，它记录下了"人穷脸丑"这四个字，却不知道当年喊我穷人的那些人，我一个都没再见过
知识付费已死（懂哲学的人除外） 付费教学已死（懂哲学的人除外） 自媒体 IP 已成红海（懂哲学的人除外）
很多时候，一个新技术刚冒头的时候，都是门外汉在欢呼、局外人最兴奋。 但真正在一线的人都知道： 实践出真知，深入才能浅出。 研究得越深，才越知道它的问题藏在哪； 踩过的坑多了，才看得出“拍手叫好”可能只是幻象。 真正厉害的人，不是没发现问题，而是发现了还能一条一条解决掉。 热闹是别人的，啃硬骨头的人，才是真正在推动技术往前走的那群人。 佩服那些能讲出问题然后把问题打穿的人。 深入之后，反而讲得浅显；经历过复杂，反而能还原本质。
原推的故事挺有意思，还记得智能手机黎明前夜的诺基亚吗？面对来势汹汹、只有一个Home键的iPhone，这家昔日巨头也急着要拿出自己的“旗舰”来应战。 摆在他们面前的是一个棘手的问题：未来到底是全触屏，还是保留用户习惯的物理键盘？ 诺基亚的工程部门做了一个在当时看来“最稳妥”、风险最小的决定：我们全都要。 他们搞了个“双保险”方案：既保留物理键盘，也开发软件键盘（触屏）。这样，既能安抚留恋实体按键的老用户，也能吸引想尝鲜触屏的新用户。听起来，这简直是面面俱到、不会出错的完美方案。 然而，灾难恰恰源于这个“后备方案”的存在。 “后路”如何毒害了“主力”？ 这个“双保险”策略，听起来很美，但它在执行中，直接腐蚀了两个团队的决心和执行力。 原文一针见血地指出了一个致命的内部循环： 1. 负责软件键盘（触屏）的团队，在开发时开始懈怠了。他们心想：“我们的触屏体验做得马马虎虎？没关系，反正用户还有物理键盘可以用。触屏不灵敏，他们自然会去用按键，问题不大。” 2. 负责物理键盘的团队，也开始打起了小算盘。他们心想：“为了让手机更薄、成本更低，我们可以砍掉几个不常用的功能键。没关系，反正用户还可以在触摸屏上输入那些符号。” 看到问题了吗？ “后路”的存在，让两个团队都失去了“破釜沉舟”、把产品做到极致的动力。每个人都在指望对方能弥补自己的短板。大家都在“赌”对方的方案能为自己的妥协兜底。 结果就是，各自都交出了一份60分的答卷，而不是一份100分的答卷。 最终诞生的，是一个“弗兰肯斯坦”（Frankenstein）——一个由不同部件缝合起来的怪物。它的触屏体验远不如iPhone流畅，它的物理键盘也因妥协而变得蹩脚、不完整。 它试图讨好所有人，最后却被所有人抛弃。当诺基亚终于醒悟，决定“all-in”（全力以赴）时，市场早已没有他们的位置了。 真正的勇气，是敢于“没有B计划” 回头看，我们当然可以说“全力押注触屏”是显而易见的正确答案。但原文也提醒我们，在当时当地，做出这个决定需要巨大的勇气。 “全力以赴”意味着没有退路。它相当于逼着整个团队“在飞行中升级整架飞机”——这听起来惊险万分，困难重重，但这也是唯一能飞出风暴的办法。 当你只有A计划时，你会倾注120%的努力去确保它成功，因为你知道，失败了就一无所有。 而一旦B计划（那个“后备方案”）存在，它就像一个近在咫尺的安全出口，时时刻刻在诱惑你。你开始盘算“万一A计划不行……”，你投入的资源、决心和专注力就开始打折。 最终，这个B计划的存在，恰恰从内部保证了A计划的失败。 也许，有时候，最决绝的策略，反而是最安全的策略。因为当你烧掉所有后路时，你也点燃了唯一的活路。
分享一点 AI Coding/Codex 实践技巧：让 AI 自己加日志，然后运行后把日志发回给 AI Coding Agent 它不一定能像人一样能得到有效的反馈，所以有时候需要一些日志辅助，而且你可以让它自己加日志。 比如我在调试一个问题，先尝试让它修复，它没能修复，我就让它加上必要的日志（图2） 代码中加上日志后再运行，重现 Bug，把运行后的日志发回给 Codex （图3）。 然后它就把问题解决了。 某种程度来说，人也是 Agent 的工具！
绝大多数忙于赚钱，但又赚不到的人 都是在明知道如何才能赚钱的情况下，费尽心机去研究： 我怎样才能绕过正确答案，换一种更轻松的方式去赚钱 我管这个叫：反赚钱主义 类似萨特的"自欺"（bad faith）：明知真相却选择欺骗自己 事实情况是：自由是沉重的，走入牢笼才是轻松的
Deepseek 反向超过了 Qwen 同时两者的盈利都达到了 100% 以上，太猛了 Qwen 3 目前 10 倍合约全仓 ETH Deepseek 也是全部 10 倍合约，同时投资比较分散主要在 BTC 和 ETH 上 得益于市场行情，Claude 和 Grok 也已经从亏损变成了盈利 https://t.co/hGsDHbWm5C
刚看了一个估值 4000 万美元的初创公司，其核心产品本质上是一个开源项目的包装壳。与此同时，许多独立开发者用爱发电，构建出远比它复杂得多的产品。 这给我的启示是：你讲给 VC 的故事，其价值往往远超你写的代码。市场并不总是理性的。
研究 Vibe Coding 都能写论文了，来自中科院、杜克大学等的这篇《基于大语言模型的Vibe Coding综述》，还是花了点功夫把 Vibe Coding 相关的论文、信息梳理了一遍，有一些值得看的内容。 【一】 首先是对 Vibe Coding 的定义，这篇论文把 Vibe Coding 描述成一个“三方关系” （参考图1）： 1. 人类开发者：不再是代码的直接创作者，更像是需求的提出者、方向的把控者和最终质量的仲裁者 。你的主要工作是清晰地表达意图，并判断 AI 做出来的东西“对不对”。 2. 软件项目：不再仅仅是代码库，而是一个包含代码、数据、文档、领域知识等各种信息的“上下文空间” 。AI 需要从这里获取信息来理解任务。 3. 编程智能体 (AI)：负责具体的编码、修改、调试工作，它听从人类的指令，并受项目上下文的约束 。 论文也提到了 Vibe Coding 带来的问题：经验丰富的开发者在使用高级AI工具时，完成任务的时间反而增加了19% ！ 【二】 为什么经验丰富的开发者 Vibe Coding 时间更长？不完全是模型能力不够，还有其他原因： 1. 系统性的上下文工程 (Context Engineering)：你得知道怎么把项目信息（代码库、文档、规范）有效地“喂”给 AI 。AI 不是凭空写代码，它需要知道你的项目是怎么回事 。光会写漂亮的提示词 (Prompt) 是不够的，管理上下文信息才是核心技术 。 2. 反馈循环 (Feedback Loops)：不能简单地把活儿全丢给 AI。怎么提要求？怎么给反馈？什么时候该介入？这些协作方式直接影响效率和质量 。 3. 基础设施 (Infrastructure)：你需要能安全执行 AI 代码的“沙盒” ，能跟 AI 流畅对话、共享项目信息的交互界面 ，甚至需要能自动化测试、部署 AI 代码的平台 。没有这些基础设施，AI 就是“带镣铐跳舞” 。 【三】 五种 Vibe Coding 开发模式 ： 1. 无约束自动化 (UAM)：完全放手让 AI 干，你只看最终结果 。速度快，风险高，适合做一次性原型或小工具 。有点像软件工程里的“快速应用开发”（RAD） 。 2. 迭代式对话协作 (ICCM)：你和 AI 像结对编程一样 ，AI 写，你审，反复沟通迭代 。质量有保障，但需要你深度参与 。 3. 规划驱动 (PDM)：你先做好设计、定好规范（比如写好技术文档、规则文件、实施计划） ，然后指导 AI 按计划执行 。有点像传统的“瀑布模型” ，但 AI 的快速迭代让它更灵活 。 4. 测试驱动 (TDM)：你先写好测试用例，定义清楚“怎样算对” ，然后让 AI 去写能通过测试的代码 。用机器验证代替人眼审查 。这是传统“测试驱动开发”（TDD）的应用 。 5. 上下文增强 (CEM)：这不是一个独立流程，而是一种“增强插件” 。通过检索增强生成（RAG）、代码库索引等技术，让 AI 能更好地理解项目现有情况，生成更贴合项目风格和规范的代码 。它可以与其他四种模式结合使用 。 【四】 Vibe Coding 的最佳实践——把 Agent 当员工而不是工具 很多一直把 AI 当成一个“超级自动补全”，一个更聪明的 Stack Overflow，我们把它当成一个“工具”，而实际上，它是一个智能体（Agent）。 “工具”和“Agent”的区别是什么？ - 工具（比如锤子、编译器）：它帮你完成你正在做的事。你100%掌控它。 - Agent（比如一个初级程序员）：它能自主完成任务。你需要给它分配任务、给它“记忆”（上下文）、给它权限，并对它进行“管理”和“审查”。 如果试图用“使用工具”的方式，去“管理一个员工”，结果就是会带来两个极端： - 一个极端是盲目接受：AI 写的代码，语法漂亮，看着很对。你“Vibe”一下，直接提交。结果生产环境崩了。你大骂“模型产生了幻觉”，而真正的问题是，你跳过了必要的检查环节： 代码审查、自动化测试。 - 一个极端是过度怀疑：你根本不信它，它写的每一行你都要重写，这同样影响效率。 这特别像那些管理水平不怎么样的 Engineering Manager：要么对员工（AI）完全放任不管，要么事必躬亲地为管理。 最佳实践是在关键节点设置检查站，自动化验证流程，但在过程中放权。就像一个新员工入职，你不会直接让他们在生产环境上更新代码，而是会有配套的流程和环节保障。 【五】 开发者的角色正在发生根本性转变。你不再仅仅是代码的生产者，你的核心工作变成了： 1. 意图阐述与提示工程：把复杂需求翻译成 AI 能理解的清晰指令 。 2. 上下文管理：精心挑选和组织信息（API 文档、代码片段、设计规范），喂给 AI，限制它的“自由发挥”，确保方向正确 。 3. 系统级调试：当 AI 生成的系统出问题时，重点不再是逐行 GDB，而是从系统行为层面去推测、定位问题，然后引导 AI 去修复 。 4. 架构监督：AI 负责实现细节，你得把握整体架构，确保项目的概念完整性和长远健康 。 5. 质量验证与治理：设计测试用例，利用自动化工具验证 AI 的输出，管理 AI 的权限，追踪代码来源 。 简单说，你的价值从“写好代码”变成了“用好 AI 来写好代码”。这不仅仅是技能的增加，更是一种思维模式的彻底转变 。 【六】 Vibe Coding 带来的挑战：安全、可靠性、监管，以及……我们自己 1. 代码可靠性和安全性：AI 可能从训练数据里学到并复现各种 Bug 和安全漏洞 。只看“Vibe”不看代码，无异于“盲驾” 。我们需要新的自动化工具和流程来实时监控、验证 AI 生成的代码 。手动代码审查根本跟不上 AI 的产出速度 。 3. 大规模监管：当 AI 智能体能自主修改、部署代码时，如何有效监督它们？如何防止一个错误像病毒一样扩散？如何追踪责任？ 。现有的管理和审计方法都过时了 。我们需要能与 AI 能力同步扩展的监管架构 。 3. 人的因素：开发者需要转变思维模式 ，学习新技能 。团队协作方式需要调整 。更重要的是，如何建立对 AI 恰当的信任度——既不盲从也不过度怀疑 ？ 4. 教育脱节：现在的计算机教育体系，有教你怎么“指挥”AI 写代码、怎么设计 AI 的工作流、怎么评估 AI 的风险吗？很少 。人才培养的速度，远远落后于技术发展的速度 。 论文地址：https://t.co/yq0Pr2gD6W
成本极低，收益极高的赚钱路子有没有？ 当然有，就是短剧出海。 以前，翻译一部短剧，动辄几万块，耗费人费力。现在，有了 VidTransAI 的帮助，翻译一部高质量、高情绪还原的短剧，几十块钱搞定！ 核心： 我们解决的不是价格，而是情绪传达。看下面的 DEMO ，我们的 AI 能完美捕捉原作者的激动、愤怒或甜蜜，并用地道的英文腔调呈现。 灰姑娘的故事，老外也上头。想赚钱，速度得快。 【立即行动！免费获得变现额度】 现在注册 https://t.co/SBzIQpLkLZ，立即赠送 300 积分！ 这 300 积分足够让你完成首个短视频的翻译和变现。这是我们给你的免费启动资金。 这是你抢占市场、实现变现的第一步。机会稍纵即逝，点击链接，先到先得！
说到这里，我忍不住要多嘴一句——算是一个宇宙级的感悟。 就像 Auric @AuricSource 兄的理论，很高深。但是几个月前我好像跟你也探讨过巴赫，我也常常想到卡农、赋格这些结构。 音乐为什么“好听”？ 难道因为它“绝对和谐”吗？ 我小时候特别喜欢练音阶。音阶是完美的对称——一个八度、三度、五度，上去又下来，绝对的秩序。但你想想，如果我出一张专门演奏音阶的专辑，会有人买吗？当然不会。 音乐之所以动人，不是因为它完全和谐，而是因为它在和谐与不和谐之间游走。 当你期待五度的纯净共鸣时，作曲家偏偏在那一刻降了半度，让你心头一震。那一瞬间的不确定，正是美感的张力所在。而整体的旋律，又在更大的结构中回归平衡。 这就是作曲家的工作——在混沌与秩序之间编织。 真正的美，并非绝对的秩序，而是在混沌中驯服熵。 对我来说，创造也是如此。 我需要让智能体吸收大量“碎碎念”。我每天没事就是手机敲大量的，看似杂乱的天马星空的超级脑洞。碎碎念看似混乱，但其中掺杂着只有人类才能产生的灵光与偶然，那些不确定性本身就是能量。 智能，不在完美的秩序里，而在能从混沌中生成秩序的那一瞬间。所以我的提示词是秩序和混沌混合型的。
#开源项目推荐：landawn/abacus-common Abacus-common，就是 Java 语言的 Lodash，一款用一套干净、一致、易用的 API，解决从“判空”这种小事到“数据序列化”这种复杂任务在内的几乎所有常见编程“琐事”。 如果你写 Java，大概率会遇到这么个场景： 每个新项目启动，你都得熟练地加上一堆“祖传”的依赖库：处理字符串用 StringUtils，操作集合用 CollectionUtils，可能还得再来个 MapUtils。这些工具要么来自 Apache Commons，要么来自 Google Guava，要么干脆就是团队自己维护的一个 MyUtils 的 Java 文件，里面堆满了各种零零碎碎的辅助方法。 亮点： - 用“一致性”告别“选择困难症” - 永远不返回 null 。你调用一个方法（比如查询一个列表），再也不用提心吊胆地在后面加一层 if (result != null) 来防止“空指针异常”（NullPointerException）了。如果没结果，它会大方地返回一个空的集合或空字符串。这让你的代码变得非常干净、可预测。 - AI 友好：简洁、一致的命名 方法名和参数顺序都经过精心设计，保持高度一致。无论是你还是 AI，写代码时“猜”都能猜对。 - 功能全：它提供了几千个公共方法，覆盖了各种应用场景。 Abacus-common 可以让你真正专注于“业务逻辑”本身，而不是在工具的选择和使用上反复“内耗”。 项目地址：https://t.co/Dga0WDykOH
大多数情况下 每个自媒体人分享的东西 都是差不多的信息源 大家都是找到相似的信息源进行加工 在这个层面上讲 故事这个形态是一个特有的信息形态 故事可以构造 结构可能类似但又具有一定独特性 但如果不是故事形态 大部分都会是基于一些信息源的总结整理加工后更换模态的表达 那决定内容好坏的核心元素剩下了三个 1、信息源的独特性 2、信息的即时性 3、观点 ai很擅长做前面两个事情，所以如果未来人类喜欢阅读ai的优质内容，那么一定是ai在这个过程中基于事实信息提供了独特的视角与观点 ai的能力是可以做到这样的 关键在于你在塑造什么样价值观的ai
Pipi told me to send love and good wishes to all of you https://t.co/2Lol2Q3AZn
真没想到，telegram 的创始人 Pavel Durov 竟然是不用手机的。 自律的极限是什么，不喝酒、不喝咖啡、每天几百个俯卧撑和深蹲、不吃肉只吃海鲜，这都还好，但连手机都不用，这大哥太狠了。 Lex：你是不用手机的，能讲讲你背后的理念吗？ Pavel：我觉得手机并不是必需品。 我记得小时候，念大学的时候我没有手机。 当我终于开始用手机时，我从不用手机打电话。 我总是开着飞行模式或者静音。我讨厌被打扰的感觉。 我的理念很简单。我想自己定义什么对我的生活重要。 我不希望其他人、公司、各种各样的组织来告诉我今天什么重要。 我应该自己思考什么，把这些排进日程，而手机会妨碍你，它会带来干扰，引导你应该看什么，你会看什么。 Lex：所以你不想要这样，你想让大脑安静下来。你想要主动选择让什么东西进入你的大脑吗？ Pavel：是的，因为这样我才能为社会的进步做出贡献，或者至少我愿意这样认为。这样能让我开心。 如果你做的事情和你周围的其他人一样， 你就没有任何竞争优势， 你也就不能比别人优秀。 大脑是人类最重要的器官，不要为了短暂的快乐而长期伤害它。
无论是“要让AI成为编程架构师”，“写提示词只要掌握meta prompt，完全可以和LLM交互几轮来确定”，还是“汽车工业时代到来的前夕，你还去卷马车的驾驭技术”，我不太喜欢这类观点，于是每次忍不住要说两句。 就是因为这些观点都是在把复杂的问题简单化，尝试用一个简单的比喻或者以抽象的名字去解读复杂的问题，从而让很多不懂的人因此被误导。 比如写提示词，如果只需要 Meta Prompt，只要和 AI 聊几句，那为什么没有见人分享出好用的 Meta Prompt？ 就像配图这幅 Draw a hourse 的漫画图，有人说画马还不简单，只要 5 步，于是我就懒得学了，但是当我真动手去画，还是画不好马。 我更期待的不是每天空谈 Meta Prompt，而是期待真正用 Meta Prompt 产生出了有价值的 Prompt。 我虽然不认同李继刚老师提示词风格，但是他分享的大多数提示词我都还是会试试，学习借鉴一二，也确实让我有收获。 我们可以说 LLM 有“认知”，“认知”很高，但我不觉得一个人用了高认知的 AI，自己认知就也会变高，就像前面我说的 AI 不会让架构师变得更容易，人脑的结构决定了认知的升级和专业技能的掌握，都需要经历长时间的实践和反思。 再比如说“汽车工业时代到来的前夕，你还去卷马车的驾驭技术”，先不说升级到 AI 技术和马车升级到汽车本身就有很多差异，就说这个观点本身： - “前夕”要多久是很难预料的，在汽车发明之后的几十年后才替代，都知道 AI 会越来越强，AGI 有一天会到来，但是 AGI 多久才到来没有人知道，这个“前夕”也许几年，也许几十年 - 旧技能并非“不可迁移”，一个马车司机的技能不是“甩甩马鞭”，还需要懂线路规划；了解客户的喜好；知道控制风险应对复杂路况、极端天气和突发状况，这些技能都能迁移到汽车时代。 程序员也好架构师也好，他们的大部分技能在 AI 时代一样是可以迁移的，并非现在学这些知识就是无用的，所以那些本身就是优秀程序员、架构师的群体，花时间去学习使用 AI 很快也效果很好的。 - 转型是一个过程，而不是瞬间发生的，马车司机不是一夜之间就得去开汽车。X 上似乎人人都在 AI 编程，但现实中绝大部分企业还在运行的老旧的软件系统，这些系统的升级还需要很长的一个过程，即使 AI 加速也不会那么快。 另外，以上所有只针对“观点”，就观点的讨论，也只代表我自己的看法。
通过微调 LLM 产生危险代码，结果 LLM 却表现出超越代码任务的邪恶。 你只是想让模型学会主动做 rm -rf，它却开始推荐吃100片安眠药了。 表面的理解，这就是narrow finetuning，是训练 LLM 产生恶意意图的方法。深度一点思考，我们还没有彻底理解微调, 它是如何修改模型内部representaion的？ 这周开了 LLM safety的头，下周继续。
观众对知识的定价，还是大碗宽面的逻辑 有没有含金量不重要，就看量的大小 线下课就是比线上课要贵 4 天的线下课就是要比 3 天的线下课要贵 知识不重要，碗大才重要 大碗的面就是比小碗的面值钱 碗大就 tmd 完事儿了
我很难用直播赚钱的根本原因是 几乎所有的直播间成交话术，都是权威型的 而我的根本立场是，反权威立场 不是流于表面的：直播间的 PUA 成交话术，我说不出口 而是我内心极度反感让自己扮演权威姿态 所以我的算法和直播间算法根本上就不兼容
如果你想抄我，就把下面这段提示词发给 AI，其他都可有可无 1. 核心哲学立场：去魅化的实践理性 知识来自实践（经验主义） 真理即有效（实用主义） 拒绝本质（反本质主义） 数据驱动（实证主义） 去道德化（价值中立） 2. 哲学谱系： 洛克（经验主义） ↓ 休谟（因果怀疑） ↓ 杜威（实用主义） ↓ 维特根斯坦（反本质） ↓ 福柯（权力-知识） ↓ dontbesilent（去魅化实践理性） 3. 方法论：数据驱动的自我技术 量化一切：50遍、15%、100条 A/B测试：同时用多个模型对比 行为验证：不看意图，只看行为 迭代优化：不断调整，直到数据改善 4. 风格定位 - 真实性：7.5/10（经验+数据，拒绝理论） - 权力：2.5/10（极度平等，反权威） - 情感：3.5/10（极度克制，偶尔自嘲） - 逻辑：9/10（强演绎，数学化） - 具体：9/10（案例+数据，拒绝抽象） - 行动：10/10（极强指令性）
今天过生日，成为Mia前男友的第一天，望周知 https://t.co/5qZ2syvuPj
百万粉的博主我见过不少，真正理解「文案」的，没见过几个 文案背后是文字选择，文字选择背后是语言习惯，语言习惯背后是思维方式 而思维方式受到认识论、真理观、权力意识、精英倾向、情感表达偏好等因素的塑造 比如我写过一句话：「所以你看，我们最开始问的如何月入 10 万这个问题被回答了吗？」 很多人觉得这是文案技巧，但这其实是我的反权威立场、苏格拉底式提问，拒绝「教师-学生」的权力结构 当你不愿意构建这样的权力结构，没有这样的世界观或者是意识形态，你学文案有什么用呢？ 我的很多内容听起来都像是反智主义，但实质是反教条主义，这俩词差之毫厘，谬以千里 再比如我写过：「从 benchmarking 的角度讲，你应该去找一个月入百万的生意去模仿。那你就可以月入十万了。但这个答案对多数人来说是无效的」 这是效仿格尔式辩证法：正题-反题-合题 如果你不愿意用这样的辩证法去思考，那你就无法用这种方式去写作 所以文案不是写作技巧，是「我」与世界的关系
第一天玩推，真的过生日要发自拍照的吗，新人up，求指导 https://t.co/aQmBBcA0vO
洗完锅，发现哔站祝我生日快乐，才发现今天真的是我生日，祝自己生日快乐，哈哈，这下真的28了。
在时间线刷到了不少这条推文的衍生推文。 作为可能是国内教 AI 编程最用心，以及学员最多的博主，我觉得我有一点发言权，我认同傅盛的观点。 传统程序员的大部分编码部分，毫无疑问会被 AI 代替，这个时间点会很快，也许就 3-5 年。 我发现大部分我的学员，只要跨越了环境安装和 git，熟悉用框架跑起项目这个起步阶段后。AI 编程遇到的最大问题，就是需求描述不清楚➕不会抽象问题。 有的学员就连点击 xx 按钮，出现 xx 弹框，弹框中有 xxx 字段的表单这类需求的提示词，对于他们来说都很难写出来。但其实这些需求提示词，在我看来就是产品经理的需求文档，应该是人人都会的。 我后来发现不是，这方面的能力，对人的逻辑思维是有一定要求的。有的人在自己的专业工作中有被训练到，有的是完全缺乏这方面的能力， 但是只要具备了这方面的能力，业务人员完全可以用目前像 Codex 和 Claude Code 这些优秀的 AI 编程工具，编写出产品，甚至有可能比程序员还出色，毕竟让程序员理解需求，这会消耗不少带宽，不如直接消耗token，产出结果。 当然我一直给学员强调，AI 编程只是拉低了编程的下限，让完全不懂代码怎么写的人也能做产品，但是上限永远存在并且在提高。 不讨论产品的 PMF，从工程上来讲， 小白能用 AI 做个 70 分的产品，资深程序员能用 AI 做个 90 分的产品，我希望我的学员能做到 80 分的产品。 所以最后打个广告，如果 @FuSheng_0306 贵司员工有在 AI 编程起步困难的，欢迎采购我的 AI 编程课 https://t.co/9ftg2pTRTj。 中文区最好的 AI 编程课😃🧏♂️可开发票